tensorboard同时显示训练曲线和测试曲线

最新推荐文章于 2025-06-08 10:35:28 发布
原创 最新推荐文章于 2025-06-08 10:35:28 发布 · 1.4w 阅读 · 30 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorboard #tensorflow #机器学习

本文介绍了一种在TensorFlow中同时记录训练集和测试集曲线的方法。通过设置两个不同的summary writer，可以有效地将两种数据分开记录，便于后续的分析与可视化。这种方式有助于直观地评估模型在训练过程中的表现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在做网络训练实验时，有时需要同时将训练曲线和测试曲线一起显示，便于观察网络训练效果。经过很多次踩坑后，终于解决了。
具体的方法是：设置两个writer，一个用于写训练的数据，一个用于写测试数据，并且这两个writer分别存在train和test路径中，注意测试的writer不能加sess.graph如下代码所示。

...
train_log_dir = 'logs/train/'
test_log_dir = 'logs/test/'   # 两者路径不同
megred = tf.summary.merge_all()
with tf.Session() as sess:
    writer_train = tf.summary.FileWriter(train_log_dir,sess.graph)
    writer_test = tf.summary.FileWriter(test_log_dir)    # 注意此处不需要sess.graph
    ...other code...
    writer_train.add_summary(summary_str_train,step)
    writer_test.add_summary(summary_str_test,step)

此处贴一个使用mnist测试的图片，如图所示，在左下角可以通过test和train的选项卡选择查看哪条曲线。
mnist图片

PyTorch可视化工具-Tensorboard在线查看训练曲线、网络结构图等
程序员，他们想的是什么?他们想的永远都是技术，他们崇尚的也永远都是技术。
11-02 3384
在反向传播后面，添加#输出loss writer.add_scalar。在模型初始化下面，添加#输出模型结构 writer.add_graph。这里要注意，如果cuda可用，要转换成cuda类型，否则用cpu模型。刷新网页，就可以看到历史版本曲线，可以选择要显示的版本，就行对比分析。这里batch=100，下面图片显示100个28*28的小图拼接而成。在前前向传播前面，添加#输出图像 writer.add_image。将历史生成的log,分别放在不同的文件夹里，每个文件件放一个，如图。
tensorboard同时记录训练集和测试集的loss
Dive的博客
04-08 2772
1 为train和test分别写好loss cost = tf.losses.mean_squared_error(y, predict) loss = tf.sqrt(tf.reduce_mean(cost))#rmse tf.summary.scalar('train_loss',loss)#画loss #画测试集的loss 但是需要用测试集的数据传入feed cost1 = tf.loss...
tensorboard实现同时显示训练曲线和测试曲线
01-21
在做网络训练实验时，有时需要同时将训练曲线和测试曲线一起显示，便于观察网络训练效果。经过很多次踩坑后，终于解决了。 具体的方法是：设置两个writer，一个用于写训练的数据，一个用于写测试数据，并且这两个writer分别存在train和test路径中，注意测试的writer不能加sess.graph如下代码所示。 ... train_log_dir = 'logs/train/' test_log_dir = 'logs/test/' # 两者路径不同 megred = tf.summary.merge_all() with tf.Session() as sess: writer_tra
tensorboard同时显示训练数据和测试数据的曲线
linux_win的博客
02-04 1876
学着用tensorboard在一个模型里面有训练模型和测试模型的损失函数曲线对比，上网找了好多，但是还都是一个曲线，即自己画的是这样的 但是想要的是这样的： 到底应该怎么样呢？ 简单操作： tensorboard --logdir=run1:"/home/.../summary",run2:"/home/.../summary"  其实只要在终端同时运行几个events即可，eve...
如何看网络训练中的Loss曲线和Acc曲线
qq_45670407的博客
06-08 1856
训练中的Loss图像和Acc图像怎么看？怎么分析？学习率该怎么选择和调整？
pytorch中使用tensorboard绘制Accuracy/Loss曲线（train和test显示在同一幅图中）
陈正长
04-13 1万+
tensorboard可以在同一幅图中显示不同的文件，所以将train和test分开存，简要记录代码。 from torch.utils.tensorboard import SummaryWriter log_dir = os.path.join('tensorboard', 'train') train_writer = SummaryWriter(log_dir=log_dir) lo...
利用TensorBoard观察训练曲线
欢迎来到我的博客空间！
12-07 1215
利用TensorBoard观察训练曲线
利用Tensorboard绘制网络识别准确率和loss曲线实例
09-17
### 利用Tensorflow与TensorBoard绘制神经网络的准确率和损失曲线 #### 一、引言 在深度学习领域，TensorFlow是一个广泛使用的开源软件库，它为各种感知和语言理解任务提供了强大的支持。而TensorBoard作为...
tensorboard显示多个曲线
Data _designer
06-28 1500
tensorboard --logdir_spec=h1:runs01/,h2:runs02/ --port=6006 --bind_alll
【Tensorflow】tensorboard log并排显示、同一窗口显示不同loss
不用先生的博客
06-13 5388
  这是两个很简单（超级简单，我都不想写），但是用起来很舒服的技巧； log并排显示   首先是信息并排显示，现在的深度学习通常有很多个信息需要同时展示；以loss为例，如果下面这样写，那么屏幕一次能看到的loss有限（当然了，你是竖屏我就没话说了）。 代码 import tensorflow as tf loss1 = tf.random.normal(shape=[1], name="loss1") # 随机值模拟loss loss2 = tf.random.normal(shape=[1], na
python实现同时显示两条曲线_tensorboard实现同时显示训练曲线和测试曲线
weixin_39800331的博客
12-04 1743
在做网络训练实验时，有时需要同时将训练曲线和测试曲线一起显示，便于观察网络训练效果。经过很多次踩坑后，终于解决了。具体的方法是：设置两个writer，一个用于写训练的数据，一个用于写测试数据，并且这两个writer分别存在train和test路径中，注意测试的writer不能加sess.graph如下代码所示。...train_log_dir = 'logs/train/'test_log_dir...
使用tensorboard显示训练loss曲线和acc曲线图
LuoQingShan_lqs的博客
04-21 4965
存放路径示例图： 一、打开Anaconda Prompt，再次进入pytorch虚拟环境 二、输入tensorboard --logdir=D:\Graduation_Design\baseline\tensorboard\tensorboard-example,下划线部分是来自上图文件夹的根目录，按回车键，会出现tensorboard的版本和一个网址，总体显示效果如下图： 复制网址...
如何使用Tensorboard一张图显示多条曲线
热门推荐
安洁莉娅丶的博客
06-30 1万+
在深度学习训练模型的时候，用Tensorboard中画图有时候想要在一张图中同时画出训练集的准确率曲线和验证集的准确率曲线。 我通过多次实验，碰了不少坑，在这里做个小小的总结。 注意：以下代码适用于TensorFlow1.X版本，不保证2.0版本 步骤一：在Tensorboard中画出训练集的accuracy和loss 在自己训练的模型代码中计算accuracy和loss的代码段后增加以下两句： '''记录loss值标量信息''' tf.summary.scalar("loss", self.loss) '
pytorch入门——tensorboard,transforms,dataset,dataloader,model,train,test
小屋
03-17 1378
目录tensorboardtransformsDatasetDataloadermodeltraintest tensorboard import torchvision from torch.utils.data import DataLoader from torch.utils.tensorboard import SummaryWriter data_test=torchvision.datasets.CIFAR10("./CIFAR10",train=False,transform=torchv
使用 TensorBoard 可视化模型，数据和训练
光英的记忆博客
11-12 757
# imports import matplotlib.pyplot as plt import numpy as np import torch import torchvision import torchvision.transforms as transforms import torch.nn as nn import torch.nn.functional as F import...
Tensorboard 上显示不同训练模型曲线的方法
jasonzzj的博客
03-03 9017
$ tensorboard --logdir=run1:"/home/.../summary",run2:"/home/.../summary" --port=6006
咋看训练曲线｜可视化训练效果的tensorboardx
Patricia_daye的博客
06-10 881
花里胡哨
监控工具：pytorch使用TensorBoard可视化训练曲线
最新发布
06-11
<think>我们被要求使用TensorBoard可视化训练曲线。根据引用[3]，我们可以使用SummaryWriter来记录训练过程中的loss和accuracy等指标，并使用add_scalar或add_scalars方法。步骤：1.导入SummaryWriter2.实例化SummaryWriter，指定日志目录3.在训练循环中，使用writer.add_scalar或writer.add_scalars记录指标4.启动TensorBoard服务器查看可视化结果下面给出一个示例代码，说明如何记录训练损失、测试损失以及准确率，并可视化。</think> 我将详细介绍如何在PyTorch中使用TensorBoard可视化训练曲线，包括完整的代码实现和操作步骤。 ### PyTorch TensorBoard可视化训练曲线教程 在PyTorch中使用TensorBoard可视化训练曲线主要步骤如下： #### 1. 安装TensorBoard ```bash pip install tensorboard ``` #### 2. 代码实现 ```python from torch.utils.tensorboard import SummaryWriter # 初始化SummaryWriter writer = SummaryWriter(log_dir="./runs/experiment_1") # 日志保存路径 # 在训练循环中记录指标 for epoch in range(num_epochs): # ... 训练过程 ... # 记录训练损失和准确率 writer.add_scalar('Loss/train', train_loss, epoch) writer.add_scalar('Accuracy/train', train_acc, epoch) # 记录验证损失和准确率（在同一图表中对比） writer.add_scalars('Loss/compare', {'train': train_loss, 'val': val_loss}, epoch) writer.add_scalars('Accuracy/compare', {'train': train_acc, 'val': val_acc}, epoch) # 关闭writer writer.close() ``` #### 3. 启动TensorBoard服务 ```bash tensorboard --logdir=./runs ``` #### 4. 查看可视化结果 访问 `http://localhost:6006` 查看曲线 ### 关键API详解[^3] | 方法 | 功能 | 示例 | |------|------|------| | `add_scalar()` | 记录单值标量 | `writer.add_scalar('Loss/train', loss, epoch)` | | `add_scalars()` | 记录多个相关标量（同图表显示） | `writer.add_scalars('Loss', {'train': t_loss, 'val': v_loss}, epoch)` | ### 最佳实践 1. **目录管理**：为每个实验创建独立日志目录（如`./runs/exp1`, `./runs/exp2`） 2. **标签命名**：使用`父类/子类`格式（如`Loss/train`） 3. **动态缩放**：点击图表右上角齿轮图标调整坐标轴范围 4. **对比实验**：在TensorBoard界面选择多个运行结果进行对比 ### 常见问题解决 - **无数据显示**：检查日志路径是否正确匹配`--logdir`参数 - **曲线不更新**：确保在训练循环中调用`flush()`或定期关闭程序 - **内存占用高**：使用`flush_secs=60`参数设置刷新间隔 通过TensorBoard的可视化，研究人员可以直观理解模型训练动态[^1]，快速识别过拟合/欠拟合问题[^2]，从而优化超参数选择。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值